归一化输入梯度消失/爆炸
Posted 劳埃德·福杰
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了归一化输入梯度消失/爆炸相关的知识,希望对你有一定的参考价值。
1.归一化输入特征(Normalizing input features)
归一化就是让训练数据均值为0,方差为1。一共两步,假设训练集有两个输入特征,x=。
①零均值化
:= -
②归一化方差(normalize the variances)
/= ,
第二个图是零均值化后的图,此时,特征x1的方差要比X2大。第三个图是归一化方差后的图。
归一化能加快训练神经网络,为什么?
J为成本函数。如果两个特征的范围不同,比如一个在[0,1],一个在[0,1000],成本函数如左图,归一化,如右图,梯度下降会更快一些。
2.梯度消失/爆炸(vanishing/exploding)
梯度消失/爆炸其实就是梯度过小或过大,导致梯度下降会花很多时间。
以上是关于归一化输入梯度消失/爆炸的主要内容,如果未能解决你的问题,请参考以下文章